无偏见和可重现的肝脏MRI-PDFF估计使用扫描协议信息深度学习方法

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 量化MRI是指数量化的MRI.

背景情况:

• 质子密度脂肪分数 (PDFF) 对于评估肝硬化症至关重要.
• 目前用于PDFF估计的深度学习 (DL) 方法在不同MRI扫描仪和回声时间 (TE) 中缺乏稳定性.

研究的目的:

• 从化学转移编码 (CSE) 的MR图像开发和验证基于DL的精确和强大的PDFF估计方法.
• 确保该方法在各种MR扫描仪和采集TE中可靠.

主要方法:

• 开发了一个两阶段的深度学习框架,可变回声时间神经网络 (VET-Net).
• VET-Net估计了CSE-MR信号模型的非线性变量,并使用带有TE的向量作为PDFF计算的辅助输入.
• 验证是在多站点,多供应商幻影数据集和单站点肝脏CSE-MRI数据集上进行的.

主要成果:

• 在不同TE的肝脏区域,VET-Net实现了1.71%和1.04%的高可重现系数 (RDC).
• 该方法在多个站点的幻影数据集上显示了0.55%的PDFF偏差.
• 除了辅助TE输入,对可重现性和偏差有负面影响.

结论:

• 专业教育网提供了公正和精确的PDFF估计,性能优于传统的DL方法.
• 该方法在不同的MR硬件供应商和收购TEs中是稳健的.
• 可以利用VET-Net来扩大基于MRI的肝脂肪量化,用于肝硬化评估.